互联网时尚产品流行趋势预测研究

发布时间：2017-07-01 08:11

  本文关键词：互联网时尚产品流行趋势预测研究，，由笔耕文化传播整理发布。

【摘要】：产品之所以时尚在于它们能够反映当今的流行趋势。对时尚产品生产企业而言,需具备识别与预测流行元素的能力。而对产品流行趋势的预测多是采用专家的定性预测,近年来已有定量预测的研究。定量化的预测方法,一方面,其数据多采用产品的销售数据。本文基于对销售数据进行了特征分析,进而构建了组合预测模型对产品的流行趋势进行预测。另一方面,网络搜索数据和经济行为的相关性分析已成为了焦点研究问题。网络搜索数据中蕴含着消费者的潜在需求,因此本文将网络搜索数据作为销售数据的补充构建预测模型对互联网时尚产品流行趋势分别进行了在线和离线预测。产品能否流行受消费者心理需求的影响并反映在消费行为上,从长期来看群体消费行为具有一定的规律性,而短期消费行为由于受诸多不确定因素的影响则表现出极大的不稳定性,这给流行元素的短期预测带来了很大的困难。消费行为的不确定性反映在产品销售数据的变化方面是线性与非线性现象并存。在第一部分研究工作中,本文面对这一数据特征,分别采用ARIMA时间序列模型和ELM极限学习机模型分别对销售数据进行线性建模和非线性建模,然后采用加权投票的方法进行集成,建立组合模型。实验数据采自淘宝商城2010年1月—2013年7月服装交易的行业数据,利用提出的组合模型对短期内服装颜色的流行度进行了实际预测,结果表明该组合模型较之单一预测模型其预测结果既合理又准确。网络搜索数据不仅反映了用户的焦点关注与个性化需求,其中还蕴含着群体的某些社会或经济行为。在第二部分研究工作中,本文首先在理论上分析了网络搜索数据和成交数据之间的关系,并验证了网络搜索数据的预测能力。然后利用网络搜索数据和历史成交数据建立预测模型,针对时尚产品市场需求不稳定、产品更新速度快等特点,构建具有较强学习能力和泛化能力的ELM极限学习机模型,对时尚产品的流行趋势进行预测。数据来源为淘宝指数的流行元素关键词网络搜索量和成交量数据。与传统的统计预测模型相比,加入搜索数据后,本文构建的模型预测精度较高,该模型对流行趋势的转折点具有较强的预测能力。同时针对实际应用,构建了OS-ELM模型实现了互联网时尚产品的在线预测。
【关键词】：时尚产品 流行趋势 预测 ELM极限学习机 时间序列模型 网络搜索数据
【学位授予单位】：大连理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：O211.61;TP18
【目录】：

• 摘要4-5
• Abstract5-9
• 1 绪论9-19
• 1.1 时尚产品相关概述9-10
• 1.1.1 时尚产品及时尚流行9
• 1.1.2 时尚产品流行元素9-10
• 1.2 研究背景和目的10-11
• 1.3 研究意义11-12
• 1.4 国内外研究现状12-16
• 1.4.1 时尚产品预测模型相关研究13-15
• 1.4.2 网络搜索数据与社会经济行为相关研究15-16
• 1.5 本文研究内容和结构16-19
• 2 时尚产品预测及其预测模型19-25
• 2.1 时尚产品预测分析19
• 2.2 预测模型概述19-25
• 2.2.1 回归分析20
• 2.2.2 ARIMA时间序列模型20-21
• 2.2.3 灰色预测21
• 2.2.4 BP神经网络21-22
• 2.2.5 ELM极限学习机模型22-23
• 2.2.6 OS-ELM极限学习机模型23-24
• 2.2.7 小结24-25
• 3 基于成交数据的时尚产品预测模型研究25-34
• 3.1 建模思想25-26
• 3.2 构建组合模型26
• 3.2.1 ARIMA时间序列模型线性建模26
• 3.2.2 ELM极限学习机非线性建模26
• 3.3 实验及结果分析26-32
• 3.3.1 数据来源及分析26-29
• 3.3.2 预测及结果分析29-30
• 3.3.3 组合预测模型对所有颜色的预测及结果分析30-32
• 3.3.4 不同预测模型预测结果比较分析32
• 3.4 本章小结32-34
• 4 基于网络搜索数据的时尚产品流行趋势预测34-43
• 4.1 网络搜索数据与时尚产品流行趋势预测的关系分析34-36
• 4.2 网络搜索数据对时尚产品流行趋势预测能力分析36-39
• 4.2.1 数据来源及分析36
• 4.2.2 搜索指数提前期分析36-37
• 4.2.3 搜索指数与成交指数的协整分析37-38
• 4.2.4 Granger因果关系检验38-39
• 4.3 离线的时尚产品流行趋势预测39-41
• 4.3.1 基于ELM极限学习机的时尚产品流行趋势预测39
• 4.3.2 预测及结果分析39-41
• 4.4 在线的时尚产品流行趋势预测41
• 4.5 本章小结41-43
• 结论43-45
• 参考文献45-48
• 攻读硕士学位期间发表学术论文情况48-49
• 致谢49-51

【共引文献】

中国期刊全文数据库 前5条

1 常丽霞;潘如如;高卫东;;Fashion Color Forecasting by Applying an Improved Back Propagation Neural Network[J];Journal of Donghua University(English Edition);2013年01期

2 任伟建;王重云;康朝海;王天任;;基于神经网络和专家系统的故障诊断技术[J];电气应用;2013年15期

3 常丽霞;高卫东;潘如如;刘建立;;灰色GM(1,1)模型在国际春夏女装流行色色相预测中的应用[J];纺织学报;2015年04期

4 卢雨正;高卫东;常丽霞;;春夏女装流行色的层次聚类分类方法[J];纺织学报;2015年10期

5 许凡;王高媛;赵晶;;基于灰色模型和神经网络的服装流行色预测[J];纺织科技进展;2013年06期

中国博士学位论文全文数据库 前1条

1 常丽霞;服装流行色的量化与预测研究[D];江南大学;2013年

中国硕士学位论文全文数据库 前1条

1 李潇;以工业炉管离心铸造生产过程监测数据为基础的产品质量早期识别[D];北京化工大学;2013年

  本文关键词：互联网时尚产品流行趋势预测研究，由笔耕文化传播整理发布。

本文编号：505149